python 分位数计算代码_满足二项分布的概率计算在实际工作中的应用（附Python代码）...

在概率论和统计学中，二项分布是n个独立的成功/失败实验中成功的次数的离散概率分布，其中每次试验成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n=1时，二项分布就是伯努利分布。

一般地，如果随机变量服从参数为和的二项分布，我们记为或。n次试验中正好得到k次成功的概率由概率质量函数给出：

在日常的工作中，很多事件的发生都具有互斥性，即要么满足条件，要么不满足条件。在事件发生的概率可以预期的情况下，可以测算一定的数据样本中，部分样本满足条件的概率，这样说可能还是有点晦涩难懂，下面通过两个案例具体说明：

案例1.保险公司的保险产品如何设定保费标准才是合理的？

现有A保险公司的一种人身意外险，已知该产品有1000个客户投保，一次性缴纳的保费是1200元，在遇到意外死亡的情况下，受益人将获得100000元的赔偿。假定意外死亡的概率是0.006，测算保险公司没有盈利的概率是多少？

问题分析：

没有盈利即所有人缴纳的保费全部用于赔偿，保险公司的保费收入（不考虑使用保费的再投资收入）是1000*1200=1200000元，如果发生意外死亡的人数达到1200000/100000=12人即对保险公司来说没有盈利（不考虑其他费用开支），因此只要计算出因意外死亡的人数大于等于12的概率是多少即可。

意外死亡概率p=0.006

数据样本数n=1000

满足条件（意外死亡）的数据样本个数k=12

问题求解过程：

import math
import numpy as np
def binomial_distribution(p,n,k):
    count=0
    for i in range(k,n+1):
        c=math.factorial(n)/(math.factorial(i)*math.factorial(n-i)) #1000人中有i(i>=12)个意外死亡有多少种可能
        count+=c*p**i*((1-p)**(n-i)) #i个人意外死亡的概率，累计相加
    return count #返回累计相加得出的概率
binomial_distribution(0.006,1000,12)

运算得到的结果是0.019754362539493888（从非专业的角度判断属于较小概率的事件）

案例2：工厂中设备维修工人如何配置才能在保证生产的情况下节约开支？

现有某厂房配置了10000台标准生产设备，个台设备独立工作，相互不受影响。为了保证设备正常工作，需要配备适量的维修工人。现假定设备每天发生故障的概率是千分之二，一个维修工人一天中可以维修3台设备，现要求计算该工厂至少配备多少工人，才能保证设备发生故障但不能及时维修的概率小于百分之一？

问题分析：

问题分析：计算该工厂至少配备多少工人，才能保证设备发生故障但不能及时维修的概率小于百分之一，可以先求出至少有多少台设备发生故障，才能达到99%的概率，在这个条件下配备维修工人即可满足上述条件。可以使用for循环从1台设备发生故障开始算起，每循环一次判断一下累计发生故障的概率是不是超过了99%。如果超过则按照这个故障设备数确定维修工人数（一个维修工人一天中可以维修3台设备，遇到浮点数向上取整）

设备每天发生故障的概率p=0.002

数据样本数n=10000

满足条件（发生故障设备）的数据样本个数从1开始测试

问题求解过程：

def staffing(p,n):
    count=0
    for i in range(1,n+1):
        c=math.factorial(n)/(math.factorial(i)*math.factorial(n-i))
        count+=c*p**i*((1-p)**(n-i))
        if count>0.99:
            break
    return np.ceil(i/3)
staffing(0.002,10000)    

运算得到的结果是11，即该工厂需要配置11个维修工人来满足日常生产运营维护的需要。

以上就是我个人对于二项分布概率的日常应用做的一些比较浅显的研究，希望能给各位一些帮助，不足之处还望多多指正~谢谢！